Airfleet 如何借助 Bright Data 扩展 AI 可见性监控

如何在 Bright Data 上运行其 GEO 和 AI 可见性监控:每天跨 ChatGPT、Claude、Gemini 和 Perplexity 运行数千个提示词,而无需照看爬虫工具。
1 分钟阅读
Airfleet 如何借助 Bright Data 扩展 AI 可见性监控

我们 GEO 实践背后的基础设施。每天数千个提示词,覆盖每一个主要 LLM,而无需照看任何一个爬虫工具。

TL;DR

  • Airfleet 构建了自己的 AI 可见性监控,以查看品牌在 ChatGPT、Claude、Gemini 和 Perplexity 中如何出现
  • 现成工具无法达到我们想要的规模或细节,而我们自己的基于浏览器的爬虫工具总是在验证码、模型切换和界面变化时失效。
  • 我们现在在 Bright Data 上运行整个操作。每天数千个提示词,跨每个 LLM 使用一个一致的 API,即使 AI 平台更改其界面,它也能撑得住。
  • 这种契合既是技术上的,也是人的层面的。产品扩展得很快,而一位 Bright Data 营销人员对我们用例的真实兴趣,把我们的好奇变成了真正的合作伙伴关系。
  • 此后,它已成为我们 SERP 研究、内容流水线和智能体工作流中的核心基础设施,包括一项运行了近百万个提示词的网络安全研究。

我们在 Bright Data 上运行我们的 AI 可见性工作,因为它有效

Airfleet 是一家 B2B 网站开发、设计和服务机构。我们构建并优化能为 B2B 技术公司生成销售线索管道的网站,而这项工作中越来越重要的一部分,是理解我们的客户如何出现在 AI 答案和 LLM 工具中,而不仅仅是搜索中。

为了做好这件事,我们在主要 LLM 上运行自己的 AI 可见性监控,包括 ChatGPT、Claude、Gemini 和 Perplexity。我们观察品牌如何被引用,哪些来源推动这些答案,以及什么真正改变了结果。其底层引擎就是 Bright Data。

我们会讲到我们最终如何构建自己的工具。但重点是,Bright Data 帮助我们扩展,并最大限度减少了我们使用市场上其他 GEO 监控工具时遇到的那些恼人的数据缺口。我们每天通过它运行数千个提示词,而且我们不用把时间花在维持工具运行上。

“我们不是一家产品公司。我们为机构构建产品,这样我们才能交付服务。我们没有时间修修补补,也没有时间弄清楚为什么某些东西不工作。我们需要的是能直接工作的东西。” – Airfleet 首席执行官 Elad Hefetz

我们着手构建什么,以及它最初在哪里失效

我们从一个直截了当的目标开始。我们想以整个类别的规模,查看品牌如何出现在 AI 答案中,而不是只跟踪三十个或一百个提示词的列表。

我们首先查看了现有的 AI 可见性工具。大多数都很不错。问题在于上限。如果你想理解整个行业,你需要跨许多公司、许多子主题和许多地区的数千个提示词,而现成工具要么无法做到这么宽,要么按提示词收费才能达到那里。所以我们决定构建自己的工具。

那时我们遇到了真正的问题。当我们开始通过官方 API 拉取答案时,答案与真实用户看到的不匹配。

“我们很快意识到,通过 API 查询 ChatGPT 会给你一个与在网页上提示它非常不同的答案。模型之上有一层会改变它回答的方式。Gemini、Claude 和其他的也是一样。” – Airfleet 首席执行官 Elad Hefetz

如果 API 答案不是你的买家看到的答案,那就是错误的数据。所以我们做了显而易见的事,开始驱动真实浏览器,像人一样操作以捕获真实响应。也正是在这里它失效了。

验证码。断点。新模型发布。界面变化。其中任何一个都可能让一个爬虫宕掉,而让一批浏览器自动化在每个 LLM 上保持存活,变成了我们不想要的一份全职工作。我们先尝试了一个更便宜的替代方案来承担这项负载。它没有以我们需要的方式撑住。

我们为什么选择 Bright Data

选择中有两件事很重要,它们正是此前一直让我们崩溃的那两件事:规模和稳定性。

Bright Data 很快解决了两者。实现很简单,API 在各个 LLM 之间保持一致,因此一种调用模式就覆盖了 ChatGPT、Claude、Gemini 和 Perplexity,而不是为每个单独集成。一旦它开始工作,就持续工作。

“即使 ChatGPT 更改其界面,它也会继续工作。我们不必为抓取工具失效时构建回退机制。我们只是使用它。” – Airfleet 首席执行官 Elad Hefetz

还有一个我们没有计划到的好处。除了答案之外,我们开始获得一些元数据,而我们原本认为根本无法从浏览器会话中拉取这些数据。

“我们获得了最终搜索查询以及 ChatGPT 用来构建其答案的来源。那才是我们实际据以优化的信息。” – Airfleet 首席执行官 Elad Hefetz

这种契合不仅仅是技术上的。Elad 通过免费层进入,测试这种方法是否真的可行,更多是出于好奇而非已经承诺,就像大多数早期评估开始时那样。然后 Bright Data 的一位营销人员联系了他。他们注意到他开始使用后又暂停了,于是发送了额度让他再试一次,带他了解其他公司如何使用该产品,并真诚地询问他想做什么。

“他对我们正在构建的东西表现出了真实的兴趣,这彻底改变了我对 Bright Data 这家公司的看法。” – Airfleet 首席执行官 Elad Hefetz

那次对话才是合作关系真正开始的地方,它围绕我们的用例而不是合同建立。

Bright Data 成为了核心基础设施,而不只是一个爬虫工具

我们引入 Bright Data 是为了自动化一件事:针对 ChatGPT 的基于浏览器的提示。它并没有停留在那条轨道上。

一旦我们有了一个可靠的 AI 浏览器层,我们就开始在所有缺少这一层的地方使用它。我们在 SEO 工作中用它读取 Google 搜索结果页面。我们把它用作我们 AI 智能体背后的浏览器,这样智能体就能访问开放网络,而不是被阻止。

“人们以为任何 AI 都连接到互联网。并不是。如果你想让一个智能体在网上做真正的研究,你必须为它构建一个浏览器层。这很难构建,而 Bright Data 直接提供了它。” – Airfleet 首席执行官 Elad Hefetz

现在,这一层直接为我们的内容流水线提供输入。当流水线研究某个主题、检查哪些内容在排名、监控 subreddits 以了解某个类别实际上在讨论什么、从公开 LinkedIn 活动中提取信号,或爬虫竞争对手的网站以查看发生了什么变化时,Bright Data 都在底层进行获取。如果我们的 AI 试图自行访问这些来源,它会被阻止。Bright Data 位于 AI 和互联网之间,并为它重新打开网络。

一项我们无法用任何其他方式运行的网络安全研究

最清晰的例子是一个网络安全类别中的研究项目。我们想了解什么真正影响了整个漏斗中的 AI 答案,从广泛的漏斗顶部问题,一直到漏斗底部、购买阶段的提示词。这需要现成工具无法给我们的体量。

我们使用 Bright Data 以研究所需的体量运行监控:超过 371,000 条 AI 响应,覆盖 21 家网络安全公司和 5,000 多个第三方来源,并随时间循环,跨 ChatGPT、Gemini 和 Perplexity 运行。然后我们分析 AI 在每个阶段引用了什么。有几个发现很突出:

  • 评论平台是最大的杠杆。G2、Peerspot、Capterra、Software Advice 和 TrustRadius 在考虑和决策阶段对品牌提及显示出最高提升,通常比阶段基线高出数十个百分点。当 AI 引用其中一个时,它通常会同时点名某个具体品牌。
  • Reddit 是每个漏斗阶段被引用最多的来源。当 AI 决定展示哪些品牌时,它比几乎任何其他来源都更依赖真实用户讨论。
  • Wikipedia 因定义而获得引用,而不是因推荐。它会出现在教育性查询中,但随着提示词变得更商业化,它对品牌提及的影响会转为负面。
  • 漏斗顶部是薄弱地带。由于基线提及率为 7.9%,广泛的认知提示词很少会展示某个具体品牌,这使它们成为衡量你是否取胜的错误位置。

这些结论没有一个来自对少量提示词的粗略查看。它们来自以规模运行整个类别,而这正是 Bright Data 使之成为可能的地方。

我们接下来将如何使用 Bright Data

AI 可见性监控现在是我们工作方式中的固定组成部分,而不是一次性研究,Bright Data 是我们构建其余部分的层。随着网络上更多流量从人类转向智能体和爬虫,能够以这些系统看待网络的方式、并以它们的体量来看待网络,只会对我们所做的事变得更加核心。我们计划继续扩大在其之上监控和自动化的范围。

支持支付宝等多种支付方式

Dvir Sharon

增长营销经理

Dvir Sharon 负责 Bright Data 的增长营销工作。他对创建能够为希望利用网络数据的企业提供价值的病毒式内容感兴趣。